Kimi K3 登顶设计榜单的秘密 ✍ Design Arena🕐 2026-07-24📦 6.7 KB 🟢 已读 𝕏 文章列表 Kimi K3 在单次前端竞技场中排名第一，Elo 评分达 1408。其成功归功于独特的思维链模式，在推理过程中模拟 Agent 工作流，通过大量代码迭代和心理测试，实现了更精细的设计和外部依赖集成。 Kimi K3前端思维链Moonshot AIAI设计 # How Kimi K3 Topped Design Leaderboards **作者**: Design Arena **日期**: 2026-07-23T18:30:05.000Z **来源**: [https://x.com/DesignArena/status/2080359813947773334](https://x.com/DesignArena/status/2080359813947773334) ---   Kimi K3, Moonshot AI’s latest open-weights model, ranks 1st on our single-shot Frontend Arena with an Elo of 1408. This is 10 positions higher than Kimi K2.6 and 16 positions higher than Kimi K2.7 Code, marking the largest jump we’ve ever seen in the Moonshot model line. However, we found that Kimi K3 uses a large number of thinking tokens, almost 4x that of Kimi K2.7 Code.  This is a lot of reasoning for the simple frontend HTML tasks we benchmark on, and we decided to dig deeper to find out exactly what Kimi K3 is thinking about. We find that Kimi K3’s performance can be primarily ascribed to its unique chain-of-thought approach where it appears to iterate upon designs much like how a full AI agent would, but inside its chain of thought. This strategy produces intricate, intentional websites with creative component design, as well as improves Kimi K3's ability to integrate with outside dependencies. # Kimi K3 Simulates an Agent in its Chain of Thought A brief scan through Kimi K3’s thinking traces is all we need to explain its performance. Kimi K3 has unique multi-staged thinking traces, where it switches from planning to decision making to designing individual parts of the final website. This is exactly the agentic workflow, and it’s a pattern we’ve never seen before from the Kimi line.  Compare this to the previous models in the Kimi model line, which have much shorter reasoning traces and rarely write code. These models just decide on high-level details or sections before diving straight into the final output.  If we aggregate across over 3000 generations from all the Kimi models, we find that Kimi K3 writes over 10x as much code during reasoning than any other model in its model line, with more reasoning tokens spent coding than actually reasoning.  No other model in the Kimi line has this density of code blocks during reasoning, and it’s because Kimi K3 iterates on individual components during the reasoning, “testing mentally” instead of using the normal tests it would have in an agent loop. This also implies that Kimi K3 is effectively thinking in code, expressing its planned specification in the form of code and concrete constraints rather than vibing up an inexact plan.  By choosing this strategy for its reasoning traces, Kimi K3 deliberately produces results that take more tokens but perform better, essentially trading tokens for intelligence. This results in much slower generations with higher preference scores.  # Kimi K3’s Thinking Weaponizes Unsplash Images However, Kimi K3 has a secret weapon: strong indexing on its training data. Ordinarily, reasoning is much weaker than a full agentic trace because the agent can’t use tools like web search to update its internal thinking. However, Kimi K3 has an extremely tight propose-reconsider loop where it proposes a piece of information, then continues reasoning for whether that information matches its intent. This takes full advantage of the model's learned index of the Internet. Below is an example of Kimi K3 using this for Unsplash, a free images provider that models commonly use to find hero visuals and other filler images. On top is the chain-of-thought reasoning, and below is the Unsplash CDN image that the model thought about when it generated the ID. Kimi K3 thinks about what image it wants, one-shots an Unsplash ID for that image, then thinks about whether that Unsplash ID is actually valid to see if it wants to use it. Here's a real visualization of its thinking traces. *(视频内容)* This means that Kimi K3 is extremely good at finding images for its websites. Here’s the website that the above chain-of-thought generated. Not a single image is missing or irrelevant to the content. *(视频内容)* Other models, like Fable 5, don’t utilize their learned index as much as Kimi K3 does, nor do they reason as much about the images they generate. Below are some example generation of Kimi K3 versus other models, where Kimi K3 didn’t miss a single image decoration while Claude Fable 5 and Kimi K2.7 Code had to rely on alt text and defaults instead. *(视频内容)*  This thinking strategy also extends to dependency usage, where Kimi K3 creates better scroll animations, charts, and frontend UIs simply because it’s thinking about how to use those dependencies during reasoning.    # What this means for model selection Kimi K3 is a step forward in design improvements and a huge leap forward for open source models as a whole. Launches like this remind us of how fast the open source frontier is moving, and how open source models can present new ideas that push everyone ahead. Every release like this gives researchers and developers more powerful foundations to push from. We will continue monitoring Kimi K3 performance and how it compares to other models. Congratulations to the Moonshot AI team on the launch, and see if you like Kimi K3 more than other models on DesignArena.ai. Interested in benchmarks and evaluations? Join us at intelligence.ai. ## 相关链接 - [Design Arena](https://x.com/DesignArena) - [@DesignArena](https://x.com/DesignArena) - [28K](https://x.com/DesignArena/status/2080359813947773334/analytics) - [DesignArena.ai](http://designarena.ai/) - [intelligence.ai](https://www.intelligence.ai/careers) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [2:30 AM · Jul 24, 2026](https://x.com/DesignArena/status/2080359813947773334) - [28.9K Views](https://x.com/DesignArena/status/2080359813947773334/analytics) - [View quotes](https://x.com/DesignArena/status/2080359813947773334/quotes) --- *导出时间: 2026/7/24 10:27:24* --- ## 中文翻译 # Kimi K3 如何登顶设计排行榜 **作者**: Design Arena **日期**: 2026-07-23T18:30:05.000Z **来源**: [https://x.com/DesignArena/status/2080359813947773334](https://x.com/DesignArena/status/2080359813947773334) ---   Kimi K3，月之暗面最新的开源权重模型，以 1408 的 Elo 分在我们的单次前端竞技场中排名第一。这比 Kimi K2.6 高出 10 个名次，比 Kimi K2.7 Code 高出 16 个名次，标志着我们在月之暗面模型系列中见过的最大飞跃。 然而，我们发现 Kimi K3 使用了大量的思考令牌，几乎是 Kimi K2.7 Code 的 4 倍。  对于我们作为基准测试的简单前端 HTML 任务来说，这是大量的推理过程，因此我们决定深入挖掘，以确切了解 Kimi K3 在思考什么。 我们发现，Kimi K3 的表现主要归功于其独特的思维链方法，它似乎像完整的 AI 智能体一样对设计进行迭代，但这种迭代发生在其思维链内部。这一策略产生了错综复杂、 intentional（刻意）的网站，具有创造性的组件设计，同时也提高了 Kimi K3 集成外部依赖项的能力。 # Kimi K3 在思维链中模拟智能体 只需简要浏览一下 Kimi K3 的思考痕迹，就足以解释其表现。Kimi K3 拥有独特的多阶段思考痕迹，它从规划切换到决策，再到设计最终网站的各个部分。这正是智能体工作流程，这是我们在 Kimi 系列中从未见过的模式。  将此与 Kimi 模型系列中的以前模型相比，后者的推理痕迹要短得多，并且很少编写代码。这些模型只是在直接进入最终输出之前决定高层细节或部分。  如果我们汇总所有 Kimi 模型超过 3000 次的生成结果，我们发现 Kimi K3 在推理期间编写的代码是该系列中任何其他模型的 10 倍以上，并且用于编码的推理令牌比实际用于推理的还要多。  Kimi 系列中没有其他模型在推理期间拥有如此高密度的代码块，这是因为 Kimi K3 在推理期间对各个组件进行迭代，“在心理上进行测试”，而不是使用它在智能体循环中会使用的常规测试。这也意味着 Kimi K3 实际上是用代码进行思考，以代码和具体约束的形式表达其计划规范，而不是随意制定一个不精确的计划。  通过为其推理痕迹选择这种策略，Kimi K3 故意产生消耗更多令牌但表现更好的结果，本质上是“用令牌换取智能”。这导致生成速度慢得多，但偏好分数更高。  # Kimi K3 的思考将 Unsplash 图片武器化 然而，Kimi K3 有一个秘密武器：对其训练数据的强大索引。通常，推理比完整的智能体痕迹弱得多，因为智能体无法使用网络搜索等工具来更新其内部思考。然而，Kimi K3 有一个极其紧密的“提议-重新考虑”循环，它提议一条信息，然后继续推理该信息是否符合其意图。这充分利用了模型学到的互联网索引。下面是 Kimi K3 将其用于 Unsplash 的一个例子，Unsplash 是一个免费的图像提供商，模型通常使用它来查找主视觉和其他填充图像。上面是思维链推理，下面是模型在生成 ID 时想到的 Unsplash CDN 图像。 Kimi K3 思考它想要什么图像，一次性生成该图像的 Unsplash ID，然后思考该 Unsplash ID 是否真的有效，以查看它是否想使用它。这是其思考痕迹的真实可视化。 *(视频内容)* 这意味着 Kimi K3 非常擅长为其网站寻找图像。以下是上述思维链生成的网站。没有一张图片丢失或与内容无关。 *(视频内容)* 其他模型，如 Fable 5，不像 Kimi K3 那样充分利用其学到的索引，也不像 Kimi K3 那样对其生成的图像进行那么多推理。下面是 Kimi K3 与其他模型的一些示例生成，其中 Kimi K3 没有错过任何一张图片装饰，而 Claude Fable 5 和 Kimi K2.7 Code 不得不依赖 alt 文本和默认值。 *(视频内容)*  这种思考策略也延伸到依赖项的使用，Kimi K3 之所以能创建更好的滚动动画、图表和前端 UI，仅仅是因为它在推理期间思考如何使用这些依赖项。    # 这对模型选择意味着什么 Kimi K3 是设计改进的一步前进，也是整个开源模型的一大飞跃。这样的发布提醒我们，开源前沿发展得有多快，以及开源模型如何能够提出推动每个人前进的新想法。每一次这样的发布都为研究人员和开发者提供了更强大的基础来推动进步。 我们将继续监测 Kimi K3 的表现及其与其他模型的比较。祝贺月之暗面团队发布该模型，看看您是否喜欢 DesignArena.ai 上的 Kimi K3 胜过其他模型。 对基准测试和评估感兴趣？请加入我们，访问 intelligence.ai。 ## 相关链接 - [Design Arena](https://x.com/DesignArena) - [@DesignArena](https://x.com/DesignArena) - [28K](https://x.com/DesignArena/status/2080359813947773334/analytics) - [DesignArena.ai](http://designarena.ai/) - [intelligence.ai](https://www.intelligence.ai/careers) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [2:30 AM · Jul 24, 2026](https://x.com/DesignArena/status/2080359813947773334) - [28.9K Views](https://x.com/DesignArena/status/2080359813947773334/analytics) - [View quotes](https://x.com/DesignArena/status/2080359813947773334/quotes) --- *导出时间: 2026/7/24 10:27:24*
从 从 Kimi K3 看下一代 MoE 架构的转折点：LatentMoE 文章分析了 2026 年大模型架构的新趋势 LatentMoE。通过对比 NVIDIA Nemotron 3 Super 和 Moonshot AI Kimi K3，揭示了 LatentMoE 如何通过将 token 投影到低维潜在空间，大幅降低内存和通信开销，从而在同等推理成本下激活更多专家，提升模型性能与效率。 技术 › LLM ✍ 青稞社区🕐 2026-07-20 LatentMoEKimi K3MoE架构设计大模型NVIDIAMoonshot AI推理优化量化负载均衡
K Kimi K3 memory savings vs Jevon's paradox 本文深入分析了Kimi K3通过Kimi Delta Attention (KDA)技术实现的内存节省突破，对比了传统MLA和DeepSeek的架构，讨论了其在长上下文场景中的优势及对行业的影响。 技术 › LLM ✍ GDP🕐 2026-07-30 Kimi K3KDA内存节省长上下文DeepSeekMLA混合线性注意力KV cache
K Kimi K3 技术报告拆解：全球首个开源 3T 级模型 本文拆解了 Kimi K3 的技术报告，这是一个全球首个开源的 2.8 万亿参数模型。文章详细解析了其混合注意力架构、注意力残差机制、MoE 设计以及在长文本训练和推理优化上的创新。报告指出 K3 性能虽略逊于顶级闭源模型，但在多项任务中表现优异，且具有极高的成本效率，甚至已能辅助团队进行内核优化和芯片设计。 技术 › LLM ✍ Berryxia.AI🕐 2026-07-29 Kimi K3模型架构MoE长文本技术报告开源模型AI芯片内核优化推理加速
如 如何（以及为何）构建 Agent First 应用 文章介绍了如何使用 Agent-Native 框架构建 Agent First 应用。通过统一的前端动作与 Agent 工具，实现 UI 与 Agent 的双向同步。应用支持通过聊天交互、集成外部 Agent、A2A 通信及自动化任务，且完全开源。 技术 › Agent ✍ Steve (Builder.io)🕐 2026-07-29 AgentAgent-NativeClaude前端A2A开源自动化框架UI
K K3 部署推理引擎指南 vLLM 宣布对 Kimi K3 模型提供首日支持。K3 是拥有 2.8 万亿参数的 MoE 模型，支持 100 万上下文窗口。vLLM 通过 DSpark 推测解码将吞吐量提升至 370 tok/s，并支持架构创新的混合缓存管理、预填充/解码分离及智能体服务，确保生产环境下的高性能与低延迟。 技术 › 后端 ✍ vLLM🕐 2026-07-28 vLLMKimi K3MoE推理引擎性能优化DSpark部署指南大模型基础设施
腾 腾讯 Miora 上手实测：好上手，但还没到放心交付 本文是对腾讯 AI 设计平台 Miora 的实测体验。作者通过生成带货视频和制作小红书封面的真实任务，评估了其功能与交互。文章认为，Miora 通过封装工作流降低了门槛，适合小白快速出初稿，但在人物一致性、状态反馈和交互细节上仍有待完善，目前更适合作为初稿加速器。 技术 › 工具与效率 ✍ Niko爱学习🕐 2026-07-27 Miora腾讯AI设计视频生成实测工作流Agent电商工具评测
C Claude Design 与 HyperFrames 的无创意工作流 本文介绍了 Anthropic 的 Claude Design 工具如何与 HyperFrames 结合，通过 HTML/CSS 直接将设计转化为视频。文章详细阐述了工作流程、品牌系统集成及实际案例，展示了从设计到渲染的无缝衔接。 技术 › Claude ✍ HyperFrames🕐 2026-07-26 Claude DesignHyperFrames设计工具视频生成工作流HTML/CSSAnthropic前端创意工具自动化
K Kimi K3 + Blender MCP: 可视化构建与修复3D场景 本文介绍了 Kimi K3 结合 Blender MCP 的工作流，它不仅生成3D资产，还能通过Python代码操作真实项目。AI能构建场景、检查渲染图并自主修复错误，将繁琐的准备工作自动化，让艺术家专注于视觉打磨。 技术 › Agent ✍ Rina🕐 2026-07-24 Kimi K3BlenderMCP3DAI代理视觉反馈Python自动化工具与效率
M Miora从0到1小白教程 本文详细介绍了腾讯推出的智能体创意工作室Miora，涵盖其核心功能、界面操作及画布编辑等基础使用方法。文章重点解析了独特的“记忆功能”，指导用户如何通过设定和沉淀个人审美与设计规范，让AI越用越懂你，从而实现从随机生图到专业设计的高效转变。 技术 › 工具与效率 ✍ Adrian Punk🕐 2026-07-24 MioraAI设计教程记忆功能腾讯生图工具工作流创意Agent画布
2 2026年普通人都能上车的AI风口：DeepSeek 创始人梁文锋3小时演讲精华提炼 文章提炼了DeepSeek创始人梁文锋关于AI未来的演讲精华，强调“克制”的重要性。梁文锋指出，想拿得多的人会被想拿得少的人打败。他为AI发展制定了清晰的路径，并建议普通人不要盲目追逐风口，而应注重提升“把话说清楚”和“长期沉淀”的能力，通过行业深耕和AI应用找到属于自己的机会。 技术 › LLM ✍ Gloria🕐 2026-07-24 DeepSeek梁文锋人工智能职业发展创业思维链智能体Coding AgentAI应用克制
K Kimi K3 + 图工程：降低85%成本并提升18%准确率 文章介绍了通过结合 Kimi K3 模型与图工程构建 AI 系统的方法。相比传统 RAG，该架构利用知识图谱存储实体关系，能处理复杂推理，实现成本降低85%和准确率提升18%。文章引用微软 GraphRAG 等研究，详细阐述了如何从零开始构建该系统。 技术 › LLM ✍ Noisy🕐 2026-07-23 Kimi K3图工程GraphRAG知识图谱RAG架构设计LLM成本优化
使 使用 Kimi K3 构建公司操作系统的指南 本文详细介绍如何仅利用 AI Agents 和 Kimi K3 模型构建完整的公司操作系统。文章阐述了公司 OS 的核心要素，包括词汇表、数据源、心跳机制及操作界面，并提供了具体的构建原理和 Prompt，旨在解决多 Agent 协同中的状态管理和权限控制问题。 技术 › Agent ✍ Avid🕐 2026-07-22 Kimi K3AI Agent公司操作系统构建指南ReactTypeScriptDevOps